深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 49768 篇文献，本页显示第 1061 - 1080 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1061 | 2026-09-23 |
BiMba: using Vision Mamba to predict protein sites that bind other proteins
2026-07-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag243
PMID:42412847
|
研究论文 | 该论文提出了一种基于Vision Mamba的状态空间深度学习框架BiMba，用于从三维蛋白质表面的二维几何或理化网格表示中预测蛋白质结合位点 | 首次将Vision Mamba架构应用于蛋白质结合位点预测，利用状态空间模型高效建模蛋白质表面的长程空间依赖关系，并整合几何与理化信息为统一的二维图像表示，同时提供基于扰动和梯度的可解释性分析 | 摘要中未明确提及研究的局限性 | 识别蛋白质-蛋白质复合物中的蛋白质结合位点，以理解生物功能并指导有效生物分子和药物分子的设计 | 蛋白质-蛋白质复合物中的蛋白质结合位点（由残基组成的区域） | 结构生物信息学、计算机视觉、机器学习 | NA | NA | 状态空间模型 | 图像（三维蛋白质表面表示的二维几何或理化网格）、残基级描述符 | 多样化和专业化的基准数据集（具体数量未在摘要中提及） | NA | Vision Mamba | NA | NA |
| 1062 | 2026-09-23 |
Comparison of chest X-ray radiography AI model to comorbidities for predicting intensive care unit admission for COVID-19
2026-Jul, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.13.4.044501
PMID:42416518
|
研究论文 | 该研究比较了基于胸部X光片的深度学习AI模型与两种常见共病指数在预测COVID-19患者入住ICU方面的分类性能 | 首次将胸部X光片的深度学习AI模型与Charlson共病指数及其年龄调整版本在预测ICU入住方面进行对比，展示了医学影像深度学习模型在改善患者护理和ICU资源规划方面的潜力 | 回顾性研究设计，仅针对COVID-19患者，可能限制了结果的普遍适用性 | 比较深度学习AI模型在胸部X光片上预测ICU入住与两种共病指数的分类性能 | COVID-19检测呈阳性的患者 | 计算机视觉 | COVID-19 | 胸部X光摄影 | 深度学习/人工智能模型 | 图像和临床数据 | 5046名患者的8357份胸部X光影像研究 | NA | NA | AUC | NA |
| 1063 | 2026-09-23 |
Automated behavioral segmentation and markerless pose tracking of mice during spaceflight
2026-Jul-01, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.30.721950
PMID:42427531
|
研究论文 | 本文应用深度学习姿态估计（SLEAP）和行为分割（DeepEthogram）技术，对国际空间站Rodent Research-1任务的小鼠视频进行自动行为分析，实现了在轨微重力环境下小鼠行为的自动化监测 | 首次将基于深度学习的姿态估计和行为分割应用于太空飞行中的啮齿动物，建立了未来监测系统的基准 | 姿态追踪精度受渐进性镜头污染、网格遮挡和球面像差影响；研究基于档案视频，样本量有限 | 测试深度学习工具能否在轨道动物饲养的苛刻成像条件下自动化行为分析，并建立基准 | 国际空间站上Rodent Research-1任务的小鼠 | 计算机视觉 | NA | 深度学习姿态估计与行为分割 | CNN | 视频 | 2,063帧姿态标签，66个视频共411,194帧行为标签 | NA | SLEAP, DeepEthogram | 准确率（0.86-0.90）, 姿态追踪准确度（近似人类标注者间变异） | NA |
| 1064 | 2026-09-23 |
Leveraging Self-Supervised Learning for Non-Invasive Intra-Cardiac Magnetic Resonance Oximetry Assessment
2026-Jul-01, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.06.29.26356860
PMID:42428112
|
研究论文 | 本文提出一个自监督学习框架，利用cine和T2心脏磁共振图像预训练编码器，用于非侵入性心内血氧饱和度评估 | 首次将自监督学习统一框架应用于非侵入性心内血氧饱和度评估，结合对比学习和掩码图像建模预训练ResNet和视觉Transformer编码器，并加入不确定性量化 | 未提及具体临床验证的局限性和泛化性，可能受限于数据来源和标注稀缺 | 实现非侵入性心内血氧饱和度的准确评估，解决深度学习自动化中标注数据稀缺的问题 | 心内血氧饱和度，通过心脏磁共振成像获取 | 医学图像分析 | 心血管疾病 | 心脏磁共振成像（CMRI） | ResNet, 视觉Transformer | 图像 | 超过48,000张心脏图像 | NA | ResNet, 视觉Transformer | 平均绝对误差 | NA |
| 1065 | 2026-09-23 |
Integrating Genetic, Environmental, Cognitive, and Temperament Data for ADHD Prediction in Explainable Deep Learning Models
2026-Jul-01, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.06.29.26356796
PMID:42428138
|
研究论文 | 本文开发了一种可解释的深度学习方法来整合遗传、环境、认知、人口学和气质数据，用于分类ADHD诊断并识别对模型决策有贡献的特征 | 开发了模块化神经网络模型，整合了多种异构数据源（包括SNP级基因型数据、多基因评分、环境因素、认知任务和气质特征），并使用整合梯度方法进行块级、特征级和个体化特征重要性分析，实现了可解释的多模态ADHD预测 | 摘要中未明确提及研究局限性 | 测试遗传、环境、认知、人口学和气质数据是否能分类ADHD诊断，并识别对模型决策有贡献的特征 | Oregon ADHD-1000队列的参与者 | 机器学习 | 注意缺陷多动障碍（ADHD） | NA | 模块化神经网络 | SNP级基因型数据、多基因评分、人口学数据、环境数据（育儿和家庭冲突、压力和创伤）、地理编码数据、认知任务数据、气质因子分数 | Oregon ADHD-1000队列参与者（分为训练、验证和测试集） | NA | 模块化神经网络 | AUC, 精确率-召回率曲线, 校准分析, 预测确定性分析, 决策曲线分析, 准确率, 灵敏度, 特异度, Brier分数 | NA |
| 1066 | 2026-09-23 |
Exploring the landscape of artificial intelligence in dental and maxillofacial radiology: a bibliometric analysis of studies and trends
2026-Jul, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000005013
PMID:42433750
|
文献计量分析 | 本文通过文献计量分析方法，探讨了人工智能在牙科与颌面放射学领域的研究现状、发展趋势及学术影响力 | 首次系统性地结合VOSviewer、CiteSpace和Biblioshiny三种工具对牙科与颌面放射学中AI应用进行全面的文献计量分析，揭示了2016年以来的研究激增趋势及全球合作网络 | 仅基于Web of Science核心合集数据库，可能遗漏其他数据库中的相关研究；文献计量分析无法评估具体研究的方法学质量 | 调查人工智能在牙科与颌面放射学领域的研究格局、新兴趋势及学术影响 | 牙科与颌面放射学领域中与人工智能相关的学术文献 | 医学影像分析 | 口腔颌面疾病 | 文献计量分析 | NA | 文本 | 2024年达到218篇出版物，未明确总文献量 | VOSviewer, CiteSpace, Biblioshiny | NA | 出版物数量、引用次数、共被引分析、关键词共现分析 | NA |
| 1067 | 2026-09-23 |
Synthetic CT generation from cone-beam CT using deep learning for head-and-neck adaptive radiotherapy
2026-Jul, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2026.101033
PMID:42491071
|
研究论文 | 开发并验证了一种深度学习模型，用于头颈部自适应放疗中从锥形束CT生成合成CT，包括锥形束CT视野外区域 | 提出了一种带有多种损失分量的UNet3+生成对抗网络，能够从锥形束CT生成合成CT，包括锥形束CT视野外的真实重建区域，并验证了其在自适应放疗工作流程中的准确性 | 研究为回顾性设计，样本量有限（148例患者），需要在常规直线加速器上进行前瞻性临床评估以验证其临床可行性 | 开发并验证一种深度学习模型，用于头颈部自适应放疗中从锥形束CT生成合成CT，并评估其在自适应放疗工作流程中的准确性 | 头颈部癌症患者 | 医学影像分析 | 头颈部癌症 | 锥形束CT成像、深度学习 | GAN | 医学图像 | 148例患者（90例训练、38例验证、20例独立测试） | NA | UNet3+ | 平均绝对误差、平均误差、全局伽马通过率、表面Dice系数、Dice系数、平均表面距离、体积相似度 | NA |
| 1068 | 2026-09-23 |
Letter to the Editor: Clinical translation considerations regarding deep learning-derived CT body composition as a prognostic biomarker for locally advanced gastric cancer
2026-Jul, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000005122
PMID:42682362
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1069 | 2026-09-23 |
Causal Responsibility Based Explainable AI for Vibrational Spectroscopy Applied to Oral FTIR and Oesophageal Raman Diagnostics
2026-Jun-29, Research square
DOI:10.21203/rs.3.rs-8338382/v1
PMID:42427831
|
研究论文 | 本文提出了一种基于因果责任的振动光谱可解释AI方法Spec-ReX，并与SHAP和Grad-CAM在合成光谱、生化混合物、口腔FTIR组织光谱和食管拉曼组织光谱上进行了比较 | 提出了Spec-ReX，一种基于因果责任的可解释AI方法，用于振动光谱分析，在已知判别峰实验中实现了最高的真值定位 | 解释仅关系到训练模型的行为而非生物因果性，临床实用性仍需通过以用户为中心的研究来验证 | 开发并评估一种基于因果责任的可解释AI方法，用于振动光谱分类模型，以揭示驱动决策的光谱特征 | 合成光谱、生化混合物、口腔FTIR组织光谱、食管拉曼组织光谱 | 机器学习 | 口腔癌、食管癌 | FTIR光谱、拉曼光谱 | NA | 光谱数据 | NA | NA | NA | 交并比（IoU）、归因集中度、阳性命中率、对低重要性区域移除的鲁棒性 | NA |
| 1070 | 2026-09-23 |
PIGMENT: A deep learning framework for Porcine Immunohistochemistry seGMENTation
2026-Jun-29, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.18.733245
PMID:42395528
|
研究论文 | 本文提出了PIGMENT，一个用于猪免疫组织化学图像中APP阳性病理自动分割和量化的注释高效深度学习框架 | 提出了一个注释高效的深度学习框架PIGMENT，结合有限的专家标注和针对APP的特定数据增强，用于稀疏、碎片化和形态多样的APP阳性病理的自动分割和量化 | 训练数据量有限，仅使用了来自三头猪的四个APP染色切片的525个专家标注图块 | 开发一个自动化工具来分割和量化猪白质组织学中的APP阳性病理，以支持将组织学损伤负担与影像学测量对齐的研究 | 猪脑白质组织学切片中的APP阳性病理 | 数字病理学 | 创伤性脑损伤 | 免疫组织化学 | SegFormer | 图像 | 525个专家标注的512×512像素图块，来自三头猪的四个APP染色切片 | NA | SegFormer-B0 | 实例级检测率 | NA |
| 1071 | 2026-09-23 |
A Real-World Evaluation of Failure Detection for Liver CT Segmentation
2026-Jun-29, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.06.26.26356692
PMID:42428060
|
研究论文 | 在真实临床环境中评估了部署的肝脏CT分割模型（3D nnU-Net）的六种OOD检测方法，并提出了基于表面的Pairwise Surface DSC方法 | 提出了Pairwise Surface DSC方法，这是Pairwise DSC的表面扩展；首次在真实世界多中心临床数据上系统评估OOD检测方法对肝脏CT分割失败的检测能力 | 研究仅针对肝脏CT分割任务，未验证方法在其他器官或模态上的泛化性；阈值依赖独立队列的Youden J统计量，可能影响临床部署的灵活性 | 评估现有OOD检测方法在真实临床实践中识别肝脏CT分割失败的能力，并验证自动化失败检测的临床可行性 | 部署的肝脏CT分割模型（3D nnU-Net）的分割失败检测 | 计算机视觉, 数字病理学 | 肝癌 | CT成像, 深度学习分割 | CNN | 图像 | 内部数据400名患者，外部数据100名患者（来自7个国家近70个中心），阈值确定使用独立队列400名患者 | NA | 3D nnU-Net | 灵敏度, AUROC, 平衡准确率 | NA |
| 1072 | 2026-09-23 |
Incorporating Surfaced-Induced Dissociation Mass Spectrometry Data into an AlphaFold-derived deep learning network improves protein structure prediction
2026-Jun-29, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.26.734850
PMID:42427745
|
研究论文 | 开发了SIDFold，一种基于AlphaFold的深度学习网络，整合表面诱导解离天然质谱数据以改进蛋白质复合物结构预测 | 首个在蛋白质复合物预测中利用实验数据的AlphaFold类网络，也是首个利用天然质谱数据进行结构预测的深度学习网络 | 未明确提及 | 通过整合表面诱导解离天然质谱数据到机器学习框架，提高多聚体蛋白质结构预测的准确性 | 蛋白质复合物 | 机器学习 | NA | 表面诱导解离天然质谱 | 深度学习 | 质谱数据、蛋白质结构数据 | BETA蛋白质集227个案例，20个具有实验SID-nMS数据的蛋白质，以及16个蛋白质用于与Rosetta方法比较 | NA | 基于AlphaFold的深度学习网络 | RMSD | NA |
| 1073 | 2026-09-23 |
Data-efficient unsupervised deep learning deformable SPECT/CT registration framework for voxel-level radionuclide therapy dosimetry: validation using clinical 131I DTC therapy data
2026-Jun-27, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00911-2
PMID:42371223
|
研究论文 | 该研究开发了一种数据高效的无监督深度学习框架Nufit-Reg，用于SPECT/CT可变形配准，以支持放射性核素治疗中的体素级剂量测定。 | 提出了双Swin-Transformer编码器和交叉缝合单元的多模态配准网络，并采用两阶段训练策略（患者间预训练和患者内少样本微调）来解决数据稀缺问题。 | 样本量有限（58次扫描和12名患者），需在更大数据集上进一步验证。 | 开发数据高效的无监督深度学习框架，用于SPECT/CT可变形配准，支持放射性核素治疗中的体素级剂量测定。 | 临床131I DTC治疗患者的SPECT/CT扫描数据。 | 医学图像配准 | 甲状腺癌 | SPECT/CT成像 | Swin-Transformer | 图像 | 58次碘-131 SPECT/CT扫描（患者间预训练），12名患者（每名三个时间点，患者内微调） | NA | Swin-Transformer | 加权结构相似性（wSSIM）、结构相似性（SSIM）、局部归一化互相关（LNCC）、互信息（MI）、雅可比行列式 | NA |
| 1074 | 2026-09-23 |
Evaluating sequence-to-function deep learning models for ancestry-stratified regulatory variant effect prediction using multi-ancestry blood eQTLs
2026-Jun-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.22.730889
PMID:42395544
|
研究论文 | 使用多祖先全血eQTL数据评估Borzoi和AlphaGenome两种序列到功能深度学习模型在祖先分层调控变异效应预测中的表现 | 首次在多祖先全血eQTL数据（非裔美国人、加勒比西班牙裔、非西班牙裔白人）中系统评估Borzoi和AlphaGenome模型的调控变异效应预测性能，并揭示了祖先分层差异及模型间收敛性 | 模型预测与名义eQTL效应量一致性较弱；祖先间比较受连锁不平衡、精细定位分辨率及比较变异选择影响；未明确讨论模型在其他组织或疾病中的泛化能力 | 评估序列到功能深度学习模型在不同祖先群体中预测调控变异效应的能力，并检验其是否能一致地捕捉调控效应 | MAGENTA队列中的全血eQTL数据，包含非裔美国人、加勒比西班牙裔和非西班牙裔白人参与者 | 机器学习 | NA | 全血eQTL分析、SuSiE精细定位、FILER功能注释 | 序列到功能深度学习模型 | 基因组序列、eQTL数据、功能注释数据 | 668名参与者（非裔美国人224名，加勒比西班牙裔209名，非西班牙裔白人235名）的全血eQTL数据 | NA | Borzoi, AlphaGenome | Spearman相关系数, 方向一致性, 模型间收敛性, 距离匹配AUROC | NA |
| 1075 | 2026-09-23 |
Preoperative prediction of Ki-67 expression and prognosis in breast cancer based on contrast-enhanced cone-beam breast CT: a two-centre study
2026-Jun-26, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-026-01082-0
PMID:42363237
|
研究论文 | 本研究基于增强锥形束乳腺CT开发并验证了放射组学、深度学习及联合模型，用于术前预测乳腺癌Ki-67表达状态并初步探索其预后价值 | 首次基于增强锥形束乳腺CT构建放射组学、深度学习及联合模型预测乳腺癌Ki-67表达状态，并初步探索其预后价值 | 联合模型未显著优于放射组学模型，深度学习模型在14%截断值下表现欠佳 | 开发并验证基于术前增强锥形束乳腺CT的模型预测Ki-67表达状态，并探索其预后价值以辅助术前治疗决策 | 乳腺癌患者 | 数字病理学, 医学影像分析 | 乳腺癌 | 增强锥形束乳腺CT | 放射组学模型, 深度学习模型, 逻辑回归联合模型 | 医学影像 | 636例乳腺癌患者（训练集310例，内部验证集77例，外部测试集78例，预后队列171例） | NA | ResNet50, ResNet101, DenseNet121, ShuffleNet | AUC, 风险比, 95%置信区间, P值 | NA |
| 1076 | 2026-09-23 |
Overestimating zero-shot fitness prediction: Broad benchmarks mask local failures and practical limitations
2026-Jun-25, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.04.730121
PMID:42292907
|
研究论文 | 本文论证了常用的零样本适应度预测基准掩盖了局部失败模式，并揭示了零样本预测在蛋白质工程中的根本局限性 | 揭示了大规模基准掩盖的失败模式，指出零样本预测无法同时优化多个竞争性工程目标，且大多数模型性能相当，与架构和输入模态无关 | 零样本预测无法精确定位高适应度突变或驱动新功能变体，且通用适应度评分与目标表型脱节 | 探究零样本适应度预测在蛋白质工程中的实际效果和局限性 | 蛋白质工程中的突变适应度预测 | 机器学习 | NA | 零样本预测 | NA | NA | NA | NA | NA | NA | NA |
| 1077 | 2026-09-23 |
AI-Driven Lumped-Element Modeling of Human Respiratory System for Studying Voice Mechanics
2026-Jun-25, Research square
DOI:10.21203/rs.3.rs-9119279/v1
PMID:42396487
|
研究论文 | 开发了一种基于物理的预测模型，模拟人体呼吸、发声和构音子系统，并结合深度学习从喉高速视频内窥镜数据中提取声门面积波形，实现人工智能驱动的发声建模 | 首次实现呼吸动力学用于发声的仿真，将呼吸系统建模与声带动力学、流气动力学及流动阻力相结合，利用深度学习从喉高速视频内窥镜数据中提取声门面积波形，直接推进了无法在人体中无创直接测量的声门下压力分布的预测 | 仅使用了一名正常发声参与者的喉高速视频内窥镜数据，模型尚未在患者特异性数据上验证，未涉及病理语音的建模 | 建立一个预测性物理模型来模拟人体呼吸、发声和构音子系统，研究发声过程中的呼吸动力学、声门下压力分布、动态阻力和能量传递机制 | 人体呼吸系统（肺、可压缩气道、声带）和声道，以及一名正常发声参与者的喉高速视频内窥镜数据 | 机器学习 | NA | 喉高速视频内窥镜，深度学习 | 弹簧-阻尼器-质量控制的活塞-气缸系统，深度学习模型 | 图像（喉高速视频内窥镜数据），数值仿真数据 | 1名正常发声参与者的喉高速视频内窥镜数据 | NA | NA | NA | NA |
| 1078 | 2026-09-23 |
Automatic diagnosis of osteonecrosis of the femoral head and segmentation of necrotic regions using deep learning at computed tomography: a real-world multicenter study
2026-Jun-25, BMC musculoskeletal disorders
IF:2.2Q3
DOI:10.1186/s12891-026-10113-7
PMID:42343332
|
研究论文 | 该研究开发了一个基于CT图像的两阶段深度学习模型，用于股骨头坏死的自动诊断和坏死区域分割，并在多中心真实世界数据中验证了其性能。 | 首次在真实世界多中心环境中，将Vision Transformer和Swin Transformer整合为两阶段深度学习模型，同时实现股骨头坏死的诊断和坏死区域分割，并与骨科医生进行了人机对比。 | 作为回顾性研究，可能存在选择偏倚；模型仅基于CT图像，未整合其他临床信息；分割性能的Dice系数在外部测试集中有所下降，泛化能力仍有提升空间。 | 开发并验证一种基于CT的深度学习模型，用于股骨头坏死的自动诊断和坏死区域分割，并评估其临床转化潜力。 | 股骨头坏死患者 | 计算机视觉 | 股骨头坏死 | CT | Vision Transformer, Swin Transformer | 图像 | 2,312名患者，共53,828张冠状位CT图像，来自四家医院 | NA | Vision Transformer, Swin Transformer | AUC, 敏感度, 阴性预测值, Dice系数, HD95 | NA |
| 1079 | 2026-09-23 |
Multi-task artificial intelligence annotation of echocardiographic images: a retrospective multi-cohort study
2026-Jun-25, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.06.23.26356383
PMID:42396278
|
研究论文 | 该研究开发了EchoNet-Segmentation，一个用于超声心动图图像中左心房面积、右心房面积和速度时间积分（VTI）多任务自动分割和测量的深度学习模型，并在多个队列中进行了验证 | 首个开源框架，能够对多个关键常规超声心动图参数（包括VTI多普勒测量和心房面积）提供准确、可泛化的自动化测量，填补了先前开源分割模型仅关注2D B模式心室功能的空白 | 回顾性研究设计，可能存在选择偏倚；仅涵盖有限的心脏参数；未进行前瞻性临床验证 | 开发并验证能够自动化测量超声心动图中VTI和心房面积的多任务深度学习分割模型，以减轻超声医师的手动标注负担并减少观察者间变异性 | 超声心动图图像，包括VTI多普勒频谱图像和心尖四腔切面图像 | 计算机视觉 | 心血管疾病 | 经胸超声心动图（TTE）、频谱多普勒、二维B模式超声 | CNN | 图像 | 186,712张超声医师标注的图像，来自93,978次检查（56,855名患者），训练数据来自Cedars-Sinai医疗中心；评估数据集包括CSMC留出测试集、CSMC时间分割集、Kaiser Permanente北加州外部队列和公开MIMIC-Echo数据集 | NA | NA | R2、平均绝对误差（MAE）、Dice系数 | NA |
| 1080 | 2026-09-23 |
TCIA Radiology Image Processing for AI and Radiomics
2026-Jun-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.06.15.26354651
PMID:42396283
|
研究论文 | 开发了一个标准化、可重复的预处理框架，用于多机构CT影像数据（如TCIA），支持放射组学和AI分析的一致性和可重复性 | 提出了一个标准化、可重复的基于笔记本的预处理框架，整合了系列过滤、DICOM到NIfTI转换、方向标准化、体素间距归一化、强度裁剪和归一化、分割集成及元数据验证等步骤，模块化设计支持任务特定适应，同时保持整体一致性 | 仅在TCGA-KIRC患者的TCIA数据上进行了演示，未在其他异构数据集上广泛验证；未提及具体的计算资源或性能评估指标 | 开发标准化、可重复的CT影像预处理框架，以实现一致的放射组学和AI分析 | TCGA-KIRC患者的CT影像数据 | 医学影像分析 | 肾癌 | CT影像处理 | NA | 影像 | TCGA-KIRC患者数据集（具体数量未提及） | NA | NA | NA | NA |